基于深度残差网络的多尺度遥感影像语义分割研究

发布时间：2021-03-08 13:27

　　遥感影像分割是影像解译与分析任务的必要过程。近来随着遥感影像分辨率的提高,以及深度学习在特征表达上的优势逐步显现,影像分类与分割不再仅仅依靠光谱信息,而是进一步加入基于表征的影像特征信息,以实现从土地使用分类到对象层次的场景理解的过渡。在这项工作中,以深度网络为基础模型的影像语义分割已成为基于高分辨率遥感影像的高精度自动语义分割的主要研究趋势,其中基于全卷积神经网络的语义分割研究在医学影像、街景图片、遥感影像等领域应用广泛,通过深度全卷积网络能够在无需下采样、反卷积或者插值的前提下推断得到全分辨率标签数据。为了更好地利用影像特征进行高分辨率遥感影像自动分割,本文提出了一种基于深度残差网络的多尺度语义分割模型,旨在针对小样本遥感影像数据集,提高具有不同尺度分割对象的遥感影像分割精度。首先,将深度残差网络以全卷积网络形式应用于端到端分割问题,然后针对小样本数据进行随机多尺度数据增强,提高模型分类精度和鲁棒性,受限于较粗糙的全卷积网络分割结果,引入Atrous卷积进一步精细化模型特征图分辨率,进而提高输出标签图精度。所提出的方法适用于多尺度高分辨率遥感影像标记问题。为了研究多尺度残差网络模型... 

【文章来源】：武汉大学湖北省 211工程院校 985工程院校 教育部直属院校

【文章页数】：68 页

【学位级别】：硕士

【部分图文】：

图２．１语义分割输出示例图??

图２．４神经网络Ｄｒｏｐｏｕｔ演示图??２．２．２卷积神经网络??

图２．５卷积神经网络结构示意图??１１??

【参考文献】：
期刊论文
[1]结合区域增长法和TIN边缘分割的建筑物立面几何特征提取[J]. 庞世燕,刘亚文,左志奇,陈正富.  武汉大学学报(信息科学版). 2015(01)
[2]一种结合多特征的SVM图像分割方法[J]. 邓晓飞,徐蔚鸿.  计算机工程与科学. 2013(02)
[3]基于面向对象信息提取技术的城市用地分类[J]. 周春艳,王萍,张振勇,齐成涛.  遥感技术与应用. 2008(01)
[4]基于相位一致的高分辨率遥感图像分割方法[J]. 肖鹏峰,冯学智,赵书河,佘江峰.  测绘学报. 2007(02)
[5]基于区域生长的多尺度遥感图像分割算法[J]. 陈忠,赵忠明.  计算机工程与应用. 2005(35)



本文编号：3071124